[发明专利]一种基于全连接神经网络的机组运行噪声抑制的处理方法

说明书

本发明公开了一种基于全连接神经网络的机组运行噪声抑制的处理方法，使用水轮发电机组停机时设备发生金属碰撞典型故障的声学样本以及机组运行时的背景噪声样本，训练一个包含两个隐含层的全连接神经网络，用以抑制机组正常运行时的背景噪声。与传统方法相比，使用全连接神经网络抑制机组运行噪声，异常声音信号的信噪比显著提高，可以识别出水轮发电机组运行时发生的金属碰撞等故障，可以应用于水轮发电机组运行的声学监测；可通过噪声识别自动生成对应的声学样本进行抑制降噪。

技术领域

本发明属于水轮发电机组设备运行在线监测领域，特别涉及一种基于全连接神经网络的机组运行噪声抑制的处理方法。

背景技术

在水轮发电机组运行时的声学监测环境下，对异常声学信号的信噪比要求较高；由于机组运行时的背景噪声大且频域范围广，传统的信号处理方法处理后的信噪比情况并不理想；在利用全连接神经网络进行信号处理后可以良好的对机组运行噪声进行抑制，并得到清晰的敲击、碰撞等异常声音信号；由此可以对机组运行时发生的设备异常状态进行报警；因此，需要设计一种基于全连接神经网络的机组运行噪声抑制的处理方法。

发明内容

本发明所要解决的技术问题是提供一种基于全连接神经网络的机组运行噪声抑制的处理方法，与传统方法相比，使用全连接神经网络抑制机组运行噪声，异常声音信号的信噪比显著提高，可以识别出水轮发电机组运行时发生的金属碰撞等故障，并且根据识别生成对应的声音样本进行抑制降噪。

为实现上述技术效果，本发明所采用的技术方案是：一种基于全连接神经网络的机组运行噪声抑制的处理方法，它包括以下步骤：

S1，训练全连接神经网络：通过收集声音样本，创建一个包含两个隐藏层的全连接神经网络：

S2，收集制作声音样本：

a. 传声器收集64KHz采样率的声学信号，将信号降采样至16KHz采样率；

b. 将信号以窗口长度为256个点、重叠率75%，窗口形状为汉明窗进行短时傅里叶变换，形成一个数组；并将数组按照神经网络要求进行归一化处理；

S3，应用神经网络降噪：

a. 将上述归一化处理后的数组输入给训练好的全连接神经网络进行预测，得到新的数组，并将数组反归一化；

b. 将新的数组按照窗口长度为256个点、重叠率75%进行短时傅里叶逆变换，得到采样率为16KHz的抑制机组运行噪声的声学信号。

优选地，所述步骤S1中全连接神经网络的训练方法如下：

S101，在机组停机状态下，采集机组停机时设备发生金属碰撞故障的声学样本；将声学样本降采样至16KHz采样率，将数据以窗口长度为256点、75%重叠率，窗口形状为汉明窗，进行短时傅里叶变换得到一个二维数组，并对这个二维数组做归一化运算并记录归一化参数，作为训练网络的目标集；

S201，在水轮发电机组正常运行状态下，采集水轮发电机组运行时的背景噪声样本；将之前采集的金属碰撞故障声学样本随机与水轮发电机组运行背景噪声样本叠加；将叠加后的声学样本降采样至16KHz采样率，将数据以窗口长度为256点、75%重叠率，窗口形状为汉明窗进行短时傅里叶变换得到一个二维数组，并对这个二维数组做归一化运算并记录归一化参数，作为训练网络的预测集；

S301，将目标集和预测集所对应的声学样本一一对应，抽取其中10%作为验证集；

S401，将目标集、预测集、验证集输入一个含两个隐含层的全连接神经网络，进行训练重复3~5轮；

S501，记录全连接神经网络结构和参数，得到用于抑制组运行噪声的全连接神经网络。

优选地，所述S101和S201中归一化运算使用L2正则化作为归一化方法。

优选地，所述金属碰撞故障的声学样本包括多种金属零件在机组不同部位敲击、碰撞的声学样本。

本发明的有益效果为：